从性能到实战，怎样才算是靠谱的 Agent 产品？

销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

]article_adlist-->当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。同样的题目在不同时间的测试效果均有不同。Xbench 后在 2024 年 10 月进行第二次大规模更新，

02 什么是长青评估机制？

1、

① Xbench 缘起于 2022 年底 ChatGPT 发布，不同模型在招聘和营销领域的表现存在显著差异，当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。

① 在博客中，前往「收件箱」查看完整解读